Plan du cours

Introduction

  • Machine Learning modèles et logiciels traditionnels

Vue d'ensemble du processus DevOps

Vue d'ensemble du flux de travail Machine Learning

ML comme Code Plus Data

Composants d'un système de ML

Étude de cas : Une application de vente Forecasting

Accessing Data

Validation des données

Data Transformation

Du pipeline de données au pipeline de ML

Construire le modèle de données

Formation du modèle

Validation du modèle

Reproduction du modèle de formation

Déployer un modèle

Servir un modèle formé à la production

Test d'un système de ML

Orchestration de la livraison continue

Suivi du modèle

Version des données

Adaptation, mise à l'échelle et maintenance d'une MLOps plateforme

Dépannage

Résumé et conclusion

Pré requis

  • Une compréhension du cycle de développement des logiciels
  • Expérience de la construction ou du travail avec des modèles d'apprentissage automatique
  • Familiarité avec la programmation Python

Audience

  • Ingénieurs ML
  • DevOps ingénieurs
  • Ingénieurs en données
  • Ingénieurs infrastructure
  • Développeurs de logiciels
  35 heures

Nombre de participants



Prix par participant

Nos Clients témoignent (4)

Cours Similaires

Catégories Similaires